瞬适科技完成千万美元种子轮：物理AI数据基础设施能否破解具身智能落地瓶颈？

从“伪三维数据”到Robot-ready：真实交互关系才是数据断点

瞬适科技对机器人数据问题的切入，来自一个相当具体的观察：当前很多机器人数据虽然包含人体或机器人的三维信息，但物体本身仍停留在二维层面。据公司创始人石野向36氪介绍，这类数据用于训练时，模型可能认为机器人完成了抓取，但在真实三维空间中，物体实际上并没有被正确抓住。换句话说，数据看起来是三维的，但物体表征是扁平的，模型学到的是一个“看起来成功”的动作，而不是一个在物理世界中成立的动作。

需要说明的是，“伪三维数据”是本文基于石野上述描述的编辑概括，用于指代物体表征仍停留在二维层面的机器人数据，并非公司或行业统一使用的术语。该术语在来源材料中未出现，因此仅作为本文的编辑分析，不构成对瞬适科技技术口径的事实确认。据公司声称，瞬适科技据此建立了一套从第一视角视频切分、三维空间重建，到手和物体交互关系建模的数据生产流程，目标是把新的真实问题快速转化为机器人可学习、可复用的经验。该流程的产出，被公司定义为Robot-ready数据。但需要指出的是，目前公开材料中并未披露这套数据生产流程的自动化程度、处理效率或与现有开源数据集的量化对比，其“Robot-ready”的具体标准也未给出可验证定义。

在触觉数据上，瞬适科技提出了更进一步的方案。石野在36氪的访谈中称，公司构建了一套三维手—物交互数据体系，记录手部、物体及接触过程中的完整状态，既包含三维空间信息，也包含触觉交互信息，目标是让触觉从孤立传感信号转化为与视觉、动作和三维几何对齐的训练数据，并映射到不同形态的机器人系统。据公司声称，在初步验证中，部分接触丰富的操作任务引入触觉—视觉世界模型后，成功率提升30%以上。该数据为公司声称，未经独立验证；其测试任务的具体类型、基线模型、样本量均未公开，因此目前只能视为公司口径的初步结果，而非行业可复现的结论。

从产业链角度看，触觉数据与视觉、动作的对齐，确实是当前机器人操作数据体系中的薄弱环节。石野在36氪访谈中表示，触觉真正有价值的时刻，是机器人已经与物体发生接触之后，公司不是用触觉替代视觉，而是把触觉作为关键的补充模态，用来增强对接触状态和交互过程的理解。这一技术路线与当前具身智能领域对多模态融合的总体方向一致，但能否真正映射到不同形态的机器人系统，仍取决于数据采集硬件、标定精度和跨本体泛化能力，这些在公开材料中均未披露。

四层基础设施的闭环逻辑：不卖单点工具，但闭环本身尚未被验证

据公司描述，瞬适科技将其技术架构设计为四层物理AI基础设施：数据获取与治理、3D物理资产生成、统一世界动作模型与策略训练，以及生成式强化学习驱动的递归自我改进。这四层并非并列的产品模块，而是被设计成一条从真实数据到仿真训练再到真机部署的持续学习闭环。需要明确的是，这一闭环目前仅来自公司描述，公开材料未提供任何独立验证证据，不能视为已经实现或稳定运行。

第一层解决的是真实数据如何变成机器人可用的经验。第二层则进一步把照片、视频等输入重建为可训练、可交互、可编辑的三维任务环境，并引入物理属性和接触关系，形成能够直接服务机器人训练的3D物理资产。据公司披露，一段真实经验可以通过改变物体位置、场景条件和任务参数，扩展为大量可控制的训练场景，形成“真实数据→Robot-ready数据→3D物理资产→仿真训练→后训练→真机部署”的Real-to-Sim-to-Real管线。这套管线的核心价值在于，可重放、可编辑的3D物理环境不仅用于训练，也为失败复现、反事实实验和后续递归自我改进提供经验生成基础。但该管线描述为公司单方面披露，公开材料未披露其实际运行效率、失败率或与替代方案的对比。

第三层是统一的多模态世界动作模型。石野在访谈中明确表示，瞬适探索的是同一个模型既生成机器人动作，也预测动作执行后的视觉、状态与接触变化，不仅回答“现在应该做什么”，还需要推演“做了之后会发生什么”，并用对未来结果的预测反过来约束动作生成。在动作生成方面，团队围绕扩散世界动作模型开展研究，强调轨迹连续性、状态转移可靠性和生成过程的可控性；在接触理解方面，则引入视觉与触觉信息，使模型能够理解抓取稳定性、滑移、卡滞、插接不到位等视觉难以单独判断的状态。这些均为公司技术路线描述，公开材料未提供模型架构细节、训练数据规模或标准任务集上的测试结果。

第四层是生成式强化学习与世界模型驱动的具身递归自我改进（RSI）。其逻辑是：通过“仿真推演→缺口识别→经验生成→策略训练→真机验证→机制更新”闭环，将经验转化为能力，并利用各类案例持续发现缺口、更新策略，每轮学习同步优化模型与评价机制。石野特别强调，真正的递归自我改进不只是把同一个策略反复训练，系统还需根据每轮执行结果持续改善世界模型、奖励评价和任务生成机制。该闭环的每一层均未在公开材料中获得独立验证，其“递归自我改进”的实际效果无法从现有信息中判断。

这套四层架构在逻辑上是自洽的，但它的完整闭环目前只停留在公司描述层面。据公司声称，瞬适科技已搭建覆盖数据生产、物理资产生成、模型训练到机器人部署的技术管线，并完成灵巧手操作、精细化任务等场景验证。具体验证细节未公开——是实验室环境下的演示，还是真实产线中的连续运行；验证任务的种类、数量、成功率、与基线的对比均未披露。对于一个声称要建设基础设施的公司来说，闭环能否在真实场景中持续运转，是比架构本身更关键的问题。

GTC 2026的“唯一”与英伟达生态位：曝光度不等于商业化信号

瞬适科技在公告中特别强调了一个事实：公司相关技术方案受邀在NVIDIA GTC 2026上进行分享。据公司声称，其是现场唯一一家与英伟达联合展示物理AI基础设施方向技术进展的企业。该“唯一”为公司声称，公开材料中不存在对GTC 2026现场全部参展企业联合展示情况的逐一核实。本次采集材料未包含GTC 2026官方议程或参展商列表，因此无法完成独立核验。读者如需核验，可查阅NVIDIA GTC 2026官方议程、参展商列表或英伟达发布的联合展示说明，确认瞬适科技是否出现在物理AI基础设施相关环节，以及是否存在其他同类联合展示企业。即便这一表述成立，它所能说明的也更多是瞬适科技在英伟达生态中的曝光位置，而非商业化能力。

英伟达在物理AI和机器人领域持续扩大生态布局，GTC作为其年度技术大会，联合展示通常意味着技术路线与英伟达的仿真、数据或训练工具链存在一定协同。对瞬适科技而言，这可以带来开发者关注和潜在合作机会，但不会自动转化为客户订单或收入。从公开信息看，瞬适科技目前未披露任何客户信息、商业模式细节或收入数据。一家种子轮公司以基础设施为定位，却没有明确的付费方描述，这是其商业化叙事中最薄弱的环节。

更值得追问的是，瞬适科技与英伟达联合展示的具体内容是什么。是数据管线与Isaac Sim的对接？是世界模型在英伟达GPU上的训练效率？还是联合发布的参考架构？公开材料只提到“物理AI基础设施方向技术进展”，没有给出任何技术细节。这使得“GTC 2026唯一联合展示”更像一个品牌信号，而非可验证的技术里程碑。

World Labs与SceniX的交叉点：路线选择有参照，但竞争格局未披露

石野在36氪访谈中主动提到了一个行业参照：近期World Labs收购机器人仿真公司SceniX，在他看来，这体现了世界模型和机器人仿真融合的趋势。“SceniX更像是从simulation向world model扩展，而World Labs则是从world model向robotic simulation延伸。瞬适科技从成立之初，就是希望站在这两条路线的交叉点上，构建世界模型底层基础设施。”

这个参照系的选择是有信息量的。World Labs在空间智能和世界模型方向有明确的技术积累；SceniX则代表从机器人仿真工具向更通用的世界模型扩展的路径。瞬适科技把自己放在两条路线的交叉点上，意味着它既不做纯粹的仿真工具，也不做纯粹的世界模型，而是试图把数据生产、物理资产生成、世界动作模型和策略训练整合成一条闭环。这个定位在逻辑上区别于单点工具公司，但也意味着它要同时面对来自仿真平台、数据服务商、世界模型公司和机器人基础模型公司的竞争。

公开资料未披露瞬适科技的直接竞争对手，也未列出可核验的竞争维度。在具身智能基础设施方向，可比较但尚未披露的指标至少包括：数据管线的自动化程度与处理效率、3D物理资产生成的精度与可编辑性、仿真平台与主流机器人工具链的兼容性、世界动作模型在标准任务集上的成功率与泛化能力，以及客户验证案例与付费转化。瞬适科技没有说明自己与这些公司的具体差异，也没有披露任何客户验证案例。石野在访谈中强调“我们不把数据、仿真、模型训练和部署拆成独立产品”，这是公司自我定义的差异化，但在没有客户和收入数据的情况下，这种差异化更多是产品哲学层面的表达，而非市场验证的结果。

学术团队孵化的双刃剑：技术纵深与商业化纪律的张力

瞬适科技的创始团队背景，是理解这家公司技术路线的关键。公司创始人石野博士现任上海科技大学信息科学与技术学院助理教授、博士生导师，也是YesAI Lab可信与通用智能实验室负责人，长期研究扩散模型、生成式强化学习和具身智能。此外，据希鸥网报道，公司战略顾问虞晶怡教授为上海科技大学副校长；该信息仅来源于希鸥网，未经其他来源证实，应归入公司或第三方口径，而非已核实事实。虞晶怡在计算机视觉和三维重建领域有长期学术积累，这一背景与瞬适科技强调的三维场景理解、物理资产生成方向存在明显关联。

学术团队孵化的优势在于技术纵深。瞬适科技对三维手—物交互、触觉—视觉对齐、扩散世界动作模型等方向的关注，带有明显的研究驱动色彩，这些方向在学术上有明确的未解问题，也对应着产业中的真实痛点。但学术背景并不自动等于商业化能力。石野同时担任上科大助理教授和公司创始人，这种双重身份在早期可以降低技术验证成本、吸引学术人才，但也可能分散精力，尤其是在公司需要从技术验证转向客户交付的阶段。瞬适科技的技术路线高度依赖三维重建、触觉传感和世界模型的前沿研究，这些方向从实验室到可复现的工程系统，通常需要跨越数据采集硬件、标定流程和跨本体泛化等多个工程化门槛。公开材料未披露除创始人外的核心团队成员信息，也未披露团队规模，因此其工程化与商业化执行能力仍无法从现有信息中判断。

从融资结构看，本轮投资方包括协创智慧、云晖资本、浦东创投和吴越天使。浦东创投带有明显的区域产业资本属性，这与瞬适科技总部位于上海、由上科大团队孵化的背景相吻合。协创智慧和云晖资本的具体投资逻辑未在公开材料中披露。吴越天使的参与则符合种子轮阶段引入早期基金的常见结构。芯湃资本担任融资顾问。整体来看，这是一个典型的“学术孵化+区域资本+早期基金”的种子轮组合，没有出现具身智能领域常见的产业资本或机器人本体公司战略投资。这意味着瞬适科技目前还没有与特定机器人厂商形成资本绑定，好处是保持本体中立性，风险是在早期缺乏一个可以持续提供真实场景和验证反馈的产业伙伴。

资金用途指向基础设施，但“基础设施”本身需要客户来定义

据投资界报道，本轮资金将主要用于物理AI数据基础设施建设、具身世界模型研发以及核心团队扩充。这三个方向中，“核心团队扩充”是最容易验证的——接下来几个月是否会有关键人才加入，可以从公开信息中观察。但“物理AI数据基础设施建设”和“具身世界模型研发”都是长周期投入，种子轮千万美元级别的资金，在数据采集硬件、算力消耗和团队薪酬面前，并不算宽裕。

这里存在一个结构性张力。瞬适科技把自己定义为基础设施公司，但基础设施的价值必须通过使用者的数量和深度来体现。公司目前未披露任何客户信息，也未说明其技术管线是否已经在某个真实场景中连续运行。石野在访谈中描述了“让机器人面对新环境新任务时快速学会，进入真实部署后持续进化，且下一次适应更快”的最终目标，但从目标到可验证的商业化路径之间，还缺少关键的一环：谁愿意为这套持续学习闭环付费？是机器人本体厂商、系统集成商，还是终端工厂？付费的载体是数据服务、软件授权、还是项目制交付？这些问题的答案，将决定瞬适科技究竟是一家基础设施公司，还是一家以基础设施为叙事的技术服务公司。

从已披露的“完成灵巧手操作、精细化任务等场景验证”和“在部分接触丰富的操作任务中成功率提升30%以上”这两点来看，瞬适科技的技术验证集中在灵巧操作和精密装配方向。其中“成功率提升30%以上”如前所述，为公司声称，未经独立验证。这是一个有价值但难度极高的场景：灵巧手操作的商业落地本身仍处于早期，精细化任务对数据质量和模型泛化能力的要求远高于常规抓取。如果瞬适科技选择以灵巧操作作为首个验证场景，它面对的不仅是自身技术成熟度的问题，还有整个灵巧手产业链的成熟度约束。从这个角度看，公司称其技术方案在GTC 2026上与英伟达联合展示，可能更多指向技术路线上的协同，而非短期内可规模化的商业场景。

风险不在技术叙事，而在验证路径的清晰度

瞬适科技在公告中列出的风险提示相当克制：行业竞争可能导致技术优势难以持久，技术研发进度及商业化落地效果存在不确定性。这几乎是所有早期技术公司的通用风险，但放在瞬适科技的具体语境中，有几个风险点值得单独拆解。

第一，闭环的每一层都尚未被独立验证。数据生产、3D物理资产生成、统一世界动作模型、递归自我改进，这四个环节中任何一个环节的技术缺陷，都会影响整条管线的效果。瞬适科技目前披露的验证信息只有“灵巧手操作、精细化任务等场景验证”和“成功率提升30%以上”两个口径，且均来自公司单方面披露。闭环的完整性和稳定性，需要更具体的任务清单、基线对比和失败案例分析来支撑。

第二，基础设施定位与种子轮资金体量之间存在错配风险。建设物理AI数据基础设施需要持续的数据采集、标注、仿真算力和模型训练投入，千万美元种子轮在扣除团队扩充和日常运营后，能够投入到基础设施建设中的资金有限。如果公司不能在下一轮融资前证明其管线的不可替代性，基础设施叙事可能反而成为融资叙事中的负担。

第三，灵巧手产业链成熟度带来的验证风险。瞬适科技将灵巧手操作和精细化任务作为已披露的验证场景，但灵巧手硬件本身在自由度、触觉传感器密度、耐用性和成本上仍处于快速迭代阶段。若上游灵巧手硬件无法稳定提供高精度触觉反馈，或不同灵巧手之间的传感接口与标定流程差异过大，瞬适科技依赖触觉—视觉对齐的技术管线将面临额外的跨本体适配成本。公开材料未披露其验证所使用的灵巧手型号、传感器配置或跨本体测试结果，因此这一风险目前无法从公司口径中得到缓解。

第四，学术团队向商业团队的转型风险。石野的学术背景为瞬适科技提供了技术纵深和人才吸引力，但公司目前未披露除创始人之外的任何核心团队成员信息，也未披露团队规模。一个以“核心团队扩充”为资金用途之一的公司，其现有团队的结构和商业化经验，是判断执行力的重要变量，而这一点在公开材料中完全缺失。

从已披露的信息看，瞬适科技选择了一条在技术上更困难、在商业上更慢热的路径。它没有选择做一个可以快速演示的机器人本体，也没有选择做一个可以快速销售的单一工具，而是试图在数据、仿真、模型和部署之间建立一条持续运转的闭环。这个选择如果成立，它的价值会随着机器人部署规模的扩大而递增；但在闭环被真实客户验证之前，它仍然是一个需要大量资金和时间来证明的假设。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：瞬适科技把融资投向了一个比单点模型更难验证的环节——不是让机器人“更会做”，而是让机器人“更快学会做”。四层基础设施的闭环逻辑清晰，但闭环的每一层目前都只有公司口径的验证，没有客户、没有收入、没有可复现的基线对比。GTC 2026的联合展示可能表明其在英伟达生态中的曝光位置，却证明不了它能让工厂买单。具身智能的落地瓶颈是真实的，但“基础设施”这个答案，还需要一个愿意付费的使用者来确认。